論文の概要: Matching Tasks with Industry Groups for Augmenting Commonsense Knowledge

• arxiv url: http://arxiv.org/abs/2505.07440v1
• Date: Mon, 12 May 2025 11:02:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.354869
• Title: Matching Tasks with Industry Groups for Augmenting Commonsense Knowledge
• Title（参考訳）: コモンセンス知識強化のための業界グループとのマッチング課題
• Authors: Rituraj Singh, Sachin Pawar, Girish Palshikar,
• Abstract要約: 各種産業団体(IG)が実施する業務でコモンセンス知識基盤を強化するための弱教師付き枠組みを提案する。 ニューラルモデルを用いてタスク-IG親和性を学習し,クラスタリングを適用して,各タスクを1つ以上の適切なIGでエミュレートする。 2つの公開ニュースデータセットから$langle IG, iscapableof, task rungle$の合計2339トリプルを0.86の精度で抽出する。
• 参考スコア（独自算出の注目度）: 0.7402877409896076
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Commonsense knowledge bases (KB) are a source of specialized knowledge that is widely used to improve machine learning applications. However, even for a large KB such as ConceptNet, capturing explicit knowledge from each industry domain is challenging. For example, only a few samples of general {\em tasks} performed by various industries are available in ConceptNet. Here, a task is a well-defined knowledge-based volitional action to achieve a particular goal. In this paper, we aim to fill this gap and present a weakly-supervised framework to augment commonsense KB with tasks carried out by various industry groups (IG). We attempt to {\em match} each task with one or more suitable IGs by training a neural model to learn task-IG affinity and apply clustering to select the top-k tasks per IG. We extract a total of 2339 triples of the form $\langle IG, is~capable~of, task \rangle$ from two publicly available news datasets for 24 IGs with the precision of 0.86. This validates the reliability of the extracted task-IG pairs that can be directly added to existing KBs.
• Abstract（参考訳）: Commonsense Knowledge Bases (KB) は、機械学習アプリケーションを改善するために広く使われている専門知識の源泉である。 しかし、ConceptNetのような大きなKBであっても、各業界ドメインからの明確な知識をキャプチャすることは困難である。 例えば、さまざまな業界によって実行される一般的なタスクのサンプルは、ConceptNetでのみ利用可能である。 ここでは、タスクは、特定の目標を達成するための、よく定義された知識に基づく自発的な行動である。 本稿では、このギャップを埋め、様々な業界団体(IG)が実施する業務でコモンセンスKBを増強するための弱教師付きフレームワークを提案する。 ニューラルモデルを用いてタスク-IG親和性を学習し、クラスタリングを適用して、IG毎にトップkタスクを選択することで、各タスクを1つ以上の適切なIGと一致させようとする。 我々は、$\langle IG, is~capable~of, task \rangle$という形式の合計2339個のトリプルを、0.86の精度で24個の公開ニュースデータセットから抽出する。 これにより、既存のKBに直接追加可能な抽出されたタスク-IGペアの信頼性が検証される。

関連論文リスト

• A Pluggable Common Sense-Enhanced Framework for Knowledge Graph Completion [9.686794547679076]
  我々は,KGCの事実と常識の両方を組み込んだ,プラガブル・コモンセンス強化型KGCフレームワークを提案する。 このフレームワークは、エンティティ概念の豊かさに基づいて異なるKGに適応可能であり、明示的あるいは暗黙的な常識を自動的に生成する能力を持っている。 我々のアプローチは、多くの知識グラフ埋め込み(KGE)モデルのためのプラグイン可能なモジュールとして統合することができる。
  論文  参考訳（メタデータ） (2024-10-06T14:06:12Z)
• DMTG: One-Shot Differentiable Multi-Task Grouping [32.72240053032646]
  MTG(Multi-Task Grouping)による多タスク学習(Multi-Task Learning, MTL)の実現を目指す。 本稿では,2N候補から最高のタスク群を同時に同定し,高次タスク親和性をフル活用したモデル重みを1ショットで同時に訓練することを提案する。
  論文  参考訳（メタデータ） (2024-07-06T13:54:00Z)
• Multi-level Shared Knowledge Guided Learning for Knowledge Graph Completion [26.40236457109129]
  データセットとタスクレベルの両方で動作する多レベル共有知識ガイド学習法(SKG)を提案する。 データセットレベルでは、SKG-KGCは、テキスト要約を通じてエンティティセット内の共有機能を特定することによって、元のデータセットを広げる。 タスクレベルでは、ヘッドエンティティ予測、関係予測、テールエンティティ予測という3つの典型的なKGCサブタスクに対して、動的に調整された損失重みを持つ革新的なマルチタスク学習アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-05-08T03:27:46Z)
• Task-Oriented GNNs Training on Large Knowledge Graphs for Accurate and Efficient Modeling [5.460112864687281]
  本稿では,大規模知識グラフ(KG)を用いたタスク指向HGNN学習におけるTOSG抽出の自動化手法であるKG-TOSAを提案する。 KG-TOSAは、最新のHGNN手法により、トレーニング時間とメモリ使用量を最大70%削減し、精度や推論時間などのモデル性能を向上させる。
  論文  参考訳（メタデータ） (2024-03-09T01:17:26Z)
• MultiMatch: Multi-task Learning for Semi-supervised Domain Generalization [55.06956781674986]
  我々は、各ソースドメインにいくつかのラベル情報がある半教師付きドメイン一般化タスクの解決に頼っている。 我々は、MultiMatchを提案し、FixMatchをマルチタスク学習フレームワークに拡張し、SSDGのための高品質な擬似ラベルを生成する。 提案手法の有効性を検証し,いくつかのベンチマークDGデータセット上で既存の半教師付き手法とSSDG法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-11T14:44:33Z)
• Gait Recognition in the Wild: A Large-scale Benchmark and NAS-based Baseline [95.88825497452716]
  歩行ベンチマークにより、研究コミュニティは高性能歩行認識システムの訓練と評価を行うことができる。 GREWは、野生における歩行認識のための最初の大規模データセットである。 SPOSGaitはNASベースの最初の歩行認識モデルである。
  論文  参考訳（メタデータ） (2022-05-05T14:57:39Z)
• Self-Supervised Graph Neural Network for Multi-Source Domain Adaptation [51.21190751266442]
  ドメイン適応(DA)は、テストデータがトレーニングデータの同じ分布に完全に従わない場合に、シナリオに取り組む。 大規模未ラベルサンプルから学習することで、自己教師型学習がディープラーニングの新しいトレンドとなっている。 我々は,より効果的なタスク間情報交換と知識共有を実現するために,新しい textbfSelf-textbf Supervised textbfGraph Neural Network (SSG) を提案する。
  論文  参考訳（メタデータ） (2022-04-08T03:37:56Z)
• Generate, Annotate, and Learn: Generative Models Advance Self-Training and Knowledge Distillation [58.64720318755764]
  Semi-Supervised Learning (SSL)は多くのアプリケーションドメインで成功している。 知識蒸留(KD)により、深層ネットワークとアンサンブルの圧縮が可能となり、新しいタスク固有の未ラベルの例について知識を蒸留する際に最良の結果が得られる。 我々は、非条件生成モデルを用いて、ドメイン内の未ラベルデータを合成する「生成、注釈、学習(GAL)」と呼ばれる一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-11T05:01:24Z)
• KGPT: Knowledge-Grounded Pre-Training for Data-to-Text Generation [100.79870384880333]
  知識に富んだテキストを生成するための知識基盤事前学習(KGPT)を提案する。 我々は、その効果を評価するために、3つの設定、すなわち、完全教師付き、ゼロショット、少数ショットを採用します。 ゼロショット設定では、WebNLG上で30 ROUGE-L以上を達成するが、他の全てのベースラインは失敗する。
  論文  参考訳（メタデータ） (2020-10-05T19:59:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。